Edge Directionality Improves Learning on Heterophilic Graphs

要約

グラフ ニューラル ネットワーク (GNN) は、リレーショナル データをモデル化するための事実上の標準ツールとなっています。
ただし、現実世界のグラフの多くは有向ですが、今日の GNN モデルの大部分は、グラフを無向にするだけでこの情報を完全に破棄します。
この理由は歴史的なものです。1) スペクトル GNN の多くの初期の亜種では、明示的に無向グラフが必要でした。2) 同親性グラフの最初のベンチマークでは、有向性を使用することによる大きな利点が見つかりませんでした。
この論文では、異好性環境において、グラフを指示どおりに扱うとグラフの実効同種性が増加することを示し、方向性情報を正しく使用することで利益が得られる可能性があることを示唆しています。
この目的を達成するために、有向グラフ上の深層学習のための新しい一般的なフレームワークである有向グラフ ニューラル ネットワーク (Dir-GNN) を紹介します。
Dir-GNN を使用すると、受信エッジと送信エッジの個別の集約を実行することにより、エッジの方向性情報を考慮してメッセージ パッシング ニューラル ネットワーク (MPNN) を拡張できます。
我々は、Dir-GNN が有向ワイスフェイラー・レーマン検定の表現力と一致し、従来の MPNN の表現力を超えることを証明します。
広範な実験により、私たちのフレームワークは同種親和性のデータセットではパフォーマンスに変化はありませんが、異種親和性のベンチマークでは GCN、GAT、GraphSage などのベース モデルよりも大幅な向上につながり、より複雑な手法を上回るパフォーマンスを示し、新しい状態を達成できることを検証しました。
芸術の結果。

要約(オリジナル)

Graph Neural Networks (GNNs) have become the de-facto standard tool for modeling relational data. However, while many real-world graphs are directed, the majority of today’s GNN models discard this information altogether by simply making the graph undirected. The reasons for this are historical: 1) many early variants of spectral GNNs explicitly required undirected graphs, and 2) the first benchmarks on homophilic graphs did not find significant gain from using direction. In this paper, we show that in heterophilic settings, treating the graph as directed increases the effective homophily of the graph, suggesting a potential gain from the correct use of directionality information. To this end, we introduce Directed Graph Neural Network (Dir-GNN), a novel general framework for deep learning on directed graphs. Dir-GNN can be used to extend any Message Passing Neural Network (MPNN) to account for edge directionality information by performing separate aggregations of the incoming and outgoing edges. We prove that Dir-GNN matches the expressivity of the Directed Weisfeiler-Lehman test, exceeding that of conventional MPNNs. In extensive experiments, we validate that while our framework leaves performance unchanged on homophilic datasets, it leads to large gains over base models such as GCN, GAT and GraphSage on heterophilic benchmarks, outperforming much more complex methods and achieving new state-of-the-art results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google